OpenCV项目实战-深度学习去阴影-图像去阴影

往期热门博客项目回顾：

计算机视觉项目大集合

改进的yolo目标检测-测距测速

路径规划算法

图像去雨去雾+目标检测+测距项目

交通标志识别项目

yolo系列-重磅yolov9界面-最新的yolo

姿态识别-3d姿态识别

深度学习小白学习路线

//正文开始！

图像去阴影算法旨在改善图像质量并恢复阴影下物体的真实颜色与亮度
这对于许多计算机视觉任务如物体识别、跟踪以及增强现实等至关重要。以下是一些图像去阴影算法的基本概述：
在这里插入图片描述

  1. 基于亮度差算法：

    • 这种方法通过比较图像中相邻像素或同一物体不同部分的亮度差异来检测阴影。假设在同一光照条件下，物体表面颜色应相对一致，若出现较大差异则可能被认为是阴影区域。通过统计分析或者阈值处理，可以区分出阴影并尝试通过某种方式（例如线性插值、邻域平均或其他修复策略）填充阴影区域以还原原始色彩。

  2. 空洞卷积与注意力融合的对抗式图像阴影去除算法：

    • 这类算法采用深度学习方法，尤其是结合生成对抗网络（GANs）的技术。空洞卷积（dilated convolution）有助于捕捉更大范围的上下文信息，而注意力机制能帮助网络更加关注阴影和非阴影区域的关键特征。通过训练这样的网络模型，它可以学习如何从含有阴影的图像中生成无阴影的输出图像。
      在这里插入图片描述

  3. 局部或全局对比度调整：

    • 对比度增强和直方图均衡化等技术也可以用于减轻阴影的影响，它们通过对整幅图像或局部区域进行亮度和对比度调整来改善阴影区域的表现。

  4. 形态学操作：

    • 在某些简单情况下，可以使用形态学操作如最大滤波和最小滤波来估计和校正阴影。例如，在图像背景较浅的情况下，先对图像应用最大滤波以提取潜在的背景亮度，然后用得到的信息来推测并填补阴影区域。

  5. 基于物理模型的方法：

    • 根据光源方向、阴影投射角度及场景深度信息建立物理模型，通过逆向渲染过程来估计阴影并进行去除。

  6. 多尺度分析和混合模型：

    • 利用多尺度分析结合多种算法，比如小波变换、高斯金字塔等，能够在不同分辨率层级上分析和处理阴影，然后组合多个层级的结果以获得更准确的阴影去除效果。
      在这里插入图片描述

随着深度学习在图像处理领域的快速发展，越来越多的算法倾向于利用神经网络构建端到端的学习系统来解决阴影去除问题，这些方法通常能提供更优秀的效果，特别是在处理复杂场景和具有丰富纹理的图像时。然而，每种方法都有其适用场景和局限性，实际应用中往往需要根据具体需求和数据特性选择合适的算法。

代码

def parse_args():desc = "Pytorch implementation of DCShadowNet"desc = "Pytorch implementation of DCShadowNet"parser = argparse.ArgumentParser(description=desc)parser.add_argument('--phase', type=str, default='test', help='[train / test]')parser.add_argument('--dataset', type=str, default='SRD', help='dataset_name')#parser.add_argument('--datasetpath', type=str, default='/disk1/yeying/dataset/SRD', help='dataset_path')parser.add_argument('--datasetpath', type=str, default='SRD', help='dataset_path')parser.add_argument('--iteration', type=int, default=1000000, help='The number of training iterations')parser.add_argument('--batch_size', type=int, default=1, help='The size of batch size')parser.add_argument('--print_freq', type=int, default=1000, help='The number of image print freq')parser.add_argument('--save_freq', type=int, default=100000, help='The number of model save freq')parser.add_argument('--decay_flag', type=str2bool, default=True, help='The decay_flag')parser.add_argument('--lr', type=float, default=0.0001, help='The learning rate')parser.add_argument('--weight_decay', type=float, default=0.0001, help='The weight decay')parser.add_argument('--adv_weight', type=int, default=1, help='Weight for GAN')parser.add_argument('--cycle_weight', type=int, default=10, help='Weight for Cycle')parser.add_argument('--identity_weight', type=int, default=10, help='Weight for Identity')parser.add_argument('--dom_weight', type=int, default=1, help='Weight for domain classification')parser.add_argument('--ch_weight', type=int, default=1, help='Weight for shadow-free chromaticity')parser.add_argument('--pecp_weight', type=int, default=1, help='Weight for shadow-robust feature')parser.add_argument('--smooth_weight', type=int, default=1, help='Weight for boundary smoothness')parser.add_argument('--use_ch_loss', type=str2bool, default=True, help='use shadow-free chromaticity loss')parser.add_argument('--use_pecp_loss', type=str2bool, default=True, help='use shadow-robust feature loss')parser.add_argument('--use_smooth_loss', type=str2bool, default=True, help='use boundary smoothness loss')parser.add_argument('--ch', type=int, default=64, help='base channel number per layer')parser.add_argument('--n_res', type=int, default=4, help='The number of resblock')parser.add_argument('--n_dis', type=int, default=6, help='The number of discriminator layer')parser.add_argument('--img_size', type=int, default=256, help='The size of image')parser.add_argument('--img_h', type=int, default=480, help='The org size of image')parser.add_argument('--img_w', type=int, default=640, help='The org size of image')parser.add_argument('--img_ch', type=int, default=3, help='The size of image channel')parser.add_argument('--result_dir', type=str, default='results', help='Directory name to save the results')parser.add_argument('--device', type=str, default='cpu', choices=['cpu', 'cuda'], help='Set gpu mode; [cpu, cuda]')parser.add_argument('--benchmark_flag', type=str2bool, default=False)parser.add_argument('--resume', type=str2bool, default=True)parser.add_argument('--epoch', type=int, default=1)parser.add_argument('--use_original_name', type=str2bool, default=False, help='use original name the same as the test images')parser.add_argument('--im_suf_A', type=str, default='.png', help='The suffix of test images [.png / .jpg]')

运行流程

1.pip install -r requirements.txt
2将图片放在dataset\SRD\testA文件夹下3.运行python main_test.py --dataset SRD --datasetpath  E:\001_code\DC-ShadowNet-Hard-and-Soft-Shadow-Removal-main_22\dataset\SRD\  --use_original_name False
E:\001_code\DC-ShadowNet-Hard-and-Soft-Shadow-Removal-main_22\dataset\SRD\是你的文件路径
4.results/SRD/500000查看结果

最后，计算机视觉、图像处理、毕业辅导、作业帮助、代码获取，远程协助，代码定制，私聊会回复!

call me :qq1309399183

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/788355.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

备战蓝桥杯---贪心刷题1

备战蓝桥杯---贪心刷题1

话不多说&#xff0c;直接看题&#xff1a; 本质是一个数学题&#xff1a; 我们令xi<0表示反方向传递&#xff0c;易得我们就是求每一个xi的绝对值之和min,我们令平均值为a爸。 易得约束条件&#xff1a; x1-x2a1-a,x2-x3a2-a..... 解得x1x1-0,x2x1-((n-1)*a-a2-...an)。…
阅读更多...
LLM - 大语言模型 基于人类反馈的强化学习(RLHF)

LLM - 大语言模型 基于人类反馈的强化学习(RLHF)

欢迎关注我的CSDN：https://spike.blog.csdn.net/ 本文地址：https://blog.csdn.net/caroline_wendy/article/details/137269049 基于人类反馈的强化学习(RLHF，Reinforcement Learning from Human Feedback)，结合 强化学习(RL) 和 人类反馈 来优化模型的性能。这种方法主要包…
阅读更多...
Jamba: A Hybrid Transformer-Mamba Language Model

Jamba: A Hybrid Transformer-Mamba Language Model

Jamba: A Hybrid Transformer-Mamba Language Model 相关链接&#xff1a;arXiv 关键字&#xff1a;hybrid architecture、Transformer、Mamba、mixture-of-experts (MoE)、language model 摘要 我们介绍了Jamba&#xff0c;一种新的基于新颖混合Transformer-Mamba混合专家&am…
阅读更多...
xilinx fpga程序固化

xilinx fpga程序固化

一、前言 xilinx 旗下的产品主要有包含有处理器的SOC系列&#xff0c;也有只有纯逻辑的fpga&#xff0c;两者的程序固化的方法并不相同&#xff0c;本文介绍只包含纯逻辑而不涉及处理器的fpga的代码固化。 二、固化流程 将工程综合&#xff0c;实现&#xff0c;并得到比特流…
阅读更多...
MYSQL-7.内存

MYSQL-7.内存

内存 Mysql的内存结构 大体可分为四个板块&#xff1a;mysql工作组件、线程本地内存、mysql共享内存、存储引擎缓冲区&#xff1b; Mysql server工作组件 对应着mysql架构图中的组件层&#xff1a; Mysql在启动时&#xff0c;会将这些工作组件初始化到内存中&#xff1b; …
阅读更多...
【Vscode】无法将“python，pip，node，npm等”识别为cmdlet...问题

【Vscode】无法将“python，pip，node，npm等”识别为cmdlet...问题

问题出现场景 新换个电脑&#xff0c;然后重新安装了软件&#xff0c;又复现一次又一次“老生常谈”的问题。 解决方法 网络答案吧五花八门&#xff0c;我采取一个我的场景解决可行的方案&#xff0c; 首先我的场景是&#xff0c;环境变量&#xff0c;配置路径都是没有问题…
阅读更多...
抖音视频关键词批量下载工具|视频爬虫采集软件

抖音视频关键词批量下载工具|视频爬虫采集软件

抖音视频批量提取工具&#xff0c;搜索即下载&#xff0c;轻松获取所需视频&#xff01; 正文&#xff1a; 想要轻松获取抖音上的精彩视频吗&#xff1f;现在&#xff0c;有了我们的抖音视频批量提取工具&#xff0c;一切变得简单易行&#xff01;Q:290615413无论是针对特定关…
阅读更多...
基于Pytorch+昇腾NPU部署baichuan2-7B大模型

基于Pytorch+昇腾NPU部署baichuan2-7B大模型

一、模型介绍 Baichuan 2 是百川智能推出的新一代开源大语言模型&#xff0c;采用 2.6 万亿 Tokens 的高质量语料训练。Baichuan 2 在多个权威的中文、英文和多语言的通用、领域 benchmark 上取得同尺寸最佳的效果。 它基于 Transformer 结构&#xff0c;在大约1.2万亿 tokens…
阅读更多...
c++20协程详解（一）

c++20协程详解（一）

前言 本文是c协程第一篇&#xff0c;主要是让大家对协程的定义&#xff0c;以及协程的执行流有一个初步的认识&#xff0c;后面还会出两篇对协程的高阶封装。 在开始正式开始协程之前&#xff0c;请务必记住&#xff0c;c协程 不是挂起当前协程&#xff0c;转而执行其他协程&a…
阅读更多...
pygame--坦克大战（二）

pygame--坦克大战（二）

加载敌方坦克 敌方坦克的方向是随机的&#xff0c;使用随机数生成。 初始化敌方坦克。 class EnemyTank(Tank):def __init__(self,left,top,speed):self.images {U: pygame.image.load(img/enemy1U.gif),D: pygame.image.load(img/enemy1D.gif),L: pygame.image.load(img/e…
阅读更多...
clickhouse sql使用2

clickhouse sql使用2

1、多条件选择 multiIf(cond_1, then_1, cond_2, then_2, …, else) select multiIf(true,0,1) 当第一条件不成立看第二条件判断 第一个参数条件参数&#xff0c;第二参数条件成立时走 2、clickhouse 在计算时候长出现NaN和Infinity异常处理 isNaN()和isInfinite()处理
阅读更多...
免费图片转excel方案大全

免费图片转excel方案大全

随着信息技术的发展&#xff0c;我们经常会遇到需要将图片中的数据转换成Excel表格的情况。这种需求在数据分析、报表制作、信息整理等领域尤为常见。然而&#xff0c;许多人在面对这一任务时感到困惑&#xff0c;不知道如何进行。本文将为大家介绍几种免费的图片转Excel方案&a…
阅读更多...
【Qt 学习笔记】如何在Qt中打印日志 | qDebug的使用 | Assistant的使用

【Qt 学习笔记】如何在Qt中打印日志 | qDebug的使用 | Assistant的使用

博客主页&#xff1a;Duck Bro 博客主页系列专栏&#xff1a;Qt 专栏关注博主&#xff0c;后期持续更新系列文章如果有错误感谢请大家批评指出&#xff0c;及时修改感谢大家点赞&#x1f44d;收藏⭐评论✍ 如何在Qt中打印日志 | qDebug的使用 文章编号&#xff1a;Qt 学习笔记…
阅读更多...
路径规划——搜索算法详解（七）：D*lite算法详解与Matlab代码

路径规划——搜索算法详解（七）：D*lite算法详解与Matlab代码

&#xff01;&#xff01;&#xff01;注意&#xff01;&#xff01;&#xff01; 看本篇之前&#xff0c;一定要先看笔者上一篇的LPA*讲解&#xff0c;笔者统一了符号看起来过渡会更加好理解&#xff01; 到目前为止&#xff0c;我们学习了广度优先搜索Dijkstra算法、能够计…
阅读更多...
基于深度学习的日常场景下的人脸检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）

基于深度学习的日常场景下的人脸检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）

摘要&#xff1a;本文详细介绍基于YOLOv8/v7/v6/v5的日常场景下的人脸检测&#xff0c;核心采用YOLOv8并整合了YOLOv7、YOLOv6、YOLOv5算法&#xff0c;进行性能指标对比&#xff1b;详述了国内外研究现状、数据集处理、算法原理、模型构建与训练代码&#xff0c;及基于Streaml…
阅读更多...
AWS-EKS 给其他IAM赋予集群管理权限

AWS-EKS 给其他IAM赋予集群管理权限

AWS EKS 设计了权限管理系统&#xff0c;A用户创建的集群 B用户是看不到并且不能管理和使用kubectl的&#xff0c;所以我们需要共同管理集群时就需要操场共享集群访问给其他IAM用户。 两种方式添加集群控制权限&#xff08;前提&#xff1a;使用有管理权限的用户操作&#xff…
阅读更多...
【c++】类和对象（七）

【c++】类和对象（七）

&#x1f525;个人主页&#xff1a;Quitecoder &#x1f525;专栏&#xff1a;c笔记仓 朋友们大家好&#xff0c;本篇文章来到类和对象的最后一部分 目录 1.static成员1.1特性 2.友元2.1引入&#xff1a;<<和>>的重载2.2友元函数2.3友元类 3.内部类4.匿名对象5.拷…
阅读更多...
聚观早报 | 蔚来推出油车置换补贴；iPhone 16 Pro细节曝光

聚观早报 | 蔚来推出油车置换补贴；iPhone 16 Pro细节曝光

聚观早报每日整理最值得关注的行业重点事件&#xff0c;帮助大家及时了解最新行业动态&#xff0c;每日读报&#xff0c;就读聚观365资讯简报。 整理丨Cutie 4月02日消息 蔚来推出油车置换补贴 iPhone 16 Pro细节曝光 小米SU7创始版第二轮追加开售 OpenAI将在日本设立办事…
阅读更多...
Ollama教程——入门：开启本地大型语言模型开发之旅

Ollama教程——入门：开启本地大型语言模型开发之旅

Ollama教程——入门&#xff1a;开启本地大型语言模型开发之旅 引言安装ollamamacOSWindows预览版LinuxDocker ollama的库和工具ollama-pythonollama-js 快速开始运行模型访问模型库 自定义模型从GGUF导入模型自定义提示 CLI参考创建模型拉取模型删除模型复制模型多行输入多模态…
阅读更多...
ADB 命令之 模拟按键/输入

ADB 命令之 模拟按键/输入

ADB 命令之 模拟按键/输入 模拟按键/输入 在 ​​adb shell​​​ 里有个很实用的命令叫 ​​input​​&#xff0c;通过它可以做一些有趣的事情。 ​​input​​ 命令的完整 help 信息如下&#xff1a; Usage: input [<source>] <command> [<arg>...] Th…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023